[논문 리뷰] Greedy Bipartite Matching in Random Type Poisson Arrival Model

Allan Borodin, Christodoulos Karavasilis외 1명|arXiv (Cornell University)|2018. 01. 01.

Bayesian Methods and Mixture Models인용 수 2

한 줄 요약

이 논문은 온라인 이분 매칭에서 온라인 노드가 동일한 유형의 연속된 버스트로 도착하며, 버스트 길이가 Poisson(1) 분포에서 추출되는 새로운 스토하스틱 입력 모델인 랜덤 유형 포아송 도착 모델(RTPAM)을 제안한다. 저자들은 이 모델 하에서 그레디 알고리즘의 성능을 분석하고, 간선 밀도 파라미터 c의 모든 영역에서 최소 0.715의 경쟁비율을 증명한다. 이는 악성 설정에서의 최악의 경우 경쟁비율에 비해 크게 향상되었으며, 현실적인 입력 상관관계를 고려한 것이다.

ABSTRACT

We introduce a new random input model for bipartite matching which we call the Random Type Poisson Arrival Model. Just like in the known i.i.d. model (introduced by Feldman et al. 2009), online nodes have types in our model. In contrast to the adversarial types studied in the known i.i.d. model, following the random graphs studied in Mastin and Jaillet 2016, in our model each type graph is generated randomly by including each offline node in the neighborhood of an online node with probability $c/n$ independently. In our model, nodes of the same type appear consecutively in the input and the number of times each type node appears is distributed according to the Poisson distribution with parameter 1. We analyze the performance of the simple greedy algorithm under this input model. The performance is controlled by the parameter $c$ and we are able to exactly characterize the competitive ratio for the regimes $c = o(1)$ and $c = ω(1)$. We also provide a precise bound on the expected size of the matching in the remaining regime of constant $c$. We compare our results to the previous work of Mastin and Jaillet who analyzed the simple greedy algorithm in the $G_{n,n,p}$ model where each online node type occurs exactly once. We essentially show that the approach of Mastin and Jaillet can be extended to work for the Random Type Poisson Arrival Model, although several nontrivial technical challenges need to be overcome. Intuitively, one can view the Random Type Poisson Arrival Model as the $G_{n,n,p}$ model with less randomness; that is, instead of each online node having a new type, each online node has a chance of repeating the previous type.

연구 동기 및 목표

• 실제 세계 시나리오, 예를 들어 반복적인 광고 요청이나 직무 유형과 같이 버스트형이고 상관관계가 있는 온라인 입력을 모델링하기 위해, i.i.d. 또는 완전히 무작위인 에르되시-레니 모델을 넘어서는 것을 목적으로 한다.
• 이 새로운 모델 하에서 단순한 그레디 알고리즘의 성능을 분석하며, 이전의 스토하스틱 모델에서 볼 수 없었던 연속된 온라인 노드 간의 의존성을 도입한다.
• 간선 밀도 파라미터 c의 세 영역인 c = o(1), c = ω(1), 그리고 c = Θ(1)에서 그레디 알고리즘의 경쟁비율에 대한 날카운 경계를 설정하는 것.
• Gn,n,p 및 i.i.d. 모델에서 알려진 결과와 비교하여, 입력 상관관계가 근사 보증에 어떤 영향을 미치는지 분석하는 것.
• 상수 c 영역에서의 기대 매칭 크기의 정확한 특성화를 제공하고, 모든 c 값에 대해 항상 성립하는 경쟁비율의 하한을 도출하는 것.

제안 방법

• 랜덤 에르되시-레니 그래프 G(n,n,c/n)에서 각 온라인 노드 유형을 추출하고, 각 유형이 포아송(1) 분포에 따라 연속된 버스트로 나타나는 랜덤 유형 포아송 도착 모델(RTPAM)을 제안한다.
• 고정된 순서에서 아직 매칭되지 않은 첫 번째 오프라인 이웃과 매칭하는 그레디 알고리즘을 분석하며, 유형 분포 정보를 사용하지 않는다.
• 무작위 그래프 이론과 분지 과정 기법을 활용하여, c = o(1), c = ω(1), c = Θ(1)의 세 영역에서 기대로 매칭된 오프라인 노드의 비율을 渐近적으로 특성화한다.
• 기존의 G(n,n,c/n) 모델에서 알려진 상한을 응용하여 RTPAM(n,c)에서 최대 매칭 크기의 상한을 유도한다.
• 그레디 알고리즘 성능의 하한과 최적 매칭 크기의 상한을 조합하여, c에 대한 경쟁비율의 하한을 유도한다.
• 최종적으로 도출된 하한을 c > 0 에 대해 수치적으로 최소화하여, 최악의 경우 경쟁비율이 약 0.715임을 입증한다.

실험 결과

연구 질문

• RQ1 온라인 노드가 독립적으로 도착하는 것 대비, 동일한 유형의 상관관계가 있는 버스트로 도착할 경우, 온라인 이분 매칭에서 그레디 알고리즘의 성능은 어떻게 변화하는가?
• RQ2 간선 밀도 파라미터 c의 다양한 영역에서 RTPAM 모델에서 그레디 알고리즘의 정확한 渐近 경쟁비율은 무엇인가?
• RQ3 RTPAM에서 유형 상관관계의 도입은 i.i.d. 및 에르되시-레니 모델 대비 근사 비율에 어떤 영향을 미치는가?
• RQ4 RTPAM에서 최대 매칭 크기의 상한은 G(n,n,c/n) 모델에서 알려진 결과로부터 유도될 수 있으며, 그 상한은 얼마나 날카로운가?
• RQ5 RTPAM 모델에서 모든 c 값에 대해 그레디 알고리즘의 최악의 경우 경쟁비율은 무엇이며, 어느 c 값에서 최소가 되는가?

주요 결과

• c = o(1) 및 c = ω(1) 영역에서 그레디 알고리즘은 정확히 1의 경쟁비율을 확보하며, 이는 점점 더 많은 오프라인 노드가 매칭됨을 의미한다.
• 상수 c 영역에서는 분지 과정 근사에서 유도된 방정식계의 해에 의존하는 기대로 매칭된 오프라인 노드의 비율에 대한 정확한 渐近 표현식을 제공한다.
• RTPAM(n,c)에서 그레디 알고리즘의 경쟁비율은 모든 c 값에 대해 0.715 이상으로 하한이 설정되며, 최소값은 c ≈ 0.667766에서 발생한다.
• 경쟁비율의 하한은 그레디 알고리즘의 기대 매칭 크기와 G(n,n,c/n) 모델에서 유도된 최적 매칭 크기의 상한을 조합하여 도출된다.
• 상수 c에 대해 RTPAM에서의 그레디 성능은 i.i.d. 또는 Gn,n,c/n 모델보다 엄밀히 열 劣하며, 입력 상관관계가 그레디 성능에 악영향을 미친다는 직관을 확인한다.
• 저자들은 현재의 0.715 하한이 날카롭지 않다고 추측하며, 최적 매칭 크기의 더 날카운 상한을 도출할 경우 경쟁비율 보증을 향상시킬 수 있음을 제안한다.